1、以下这些语句存在若干问题，包括语法错误、标点使用不当、语句不通畅及信息不完整——“.....在非监督分类过程中只需要分析者预先定义几个参数，如分类数目分类类别等。即使分析者对图像有很强的看法偏差，也不会对分类结果有很大影响，因此非监督分类可以产生比监督比较常用的监督分类法有最小距离法息和纹理信息参与的分类结果精度最高，对高层建筑物分类的精度可达。基于像元的信息提取方法遥感影像分类是遥感图像处理系统的核心功能之，也是信息提取的重要环节，它实现了基于遥感数据的地理信息提取。目前应用较多的遥感解译方法体上有两种基于像元和面向对象......”。

2、以下这些语句存在多处问题，具体涉及到语法误用、标点符号运用不当、句子表达不流畅以及信息表述不全面——“.....对象的大小由分割尺度决定，影像的分类都是基于对象进行的，这样能更好的利用地物目标的几何特征。面向对象的遥感图像分类方法的本质是以对象或基元为分类或检测的最小单元，从较高层次对象层次对遥感图像进行分类，以减少传统的基于像元层次分类方法语义信息的损失率，使分类结果含有为每类地物建立模糊规则如表，并分别赋予相应的类，选择模糊隶属度函数分类器进行分类，在第层上提取行道树，同时在非植被信息中，可提取房屋和道路。第二层首先将植被分为草地和林地两个父类，再分别为浓密草地稀疏草地有林地疏林地四个子类声明样本，运用最邻近分类器进行分类，这样浓密草地稀疏草地有林地和疏林地都可以区分出来。第三层对非植被信息中的裸地和水体进行提取。对每层特定的目标进行提取后，为得到植被信息提取的结果，将各层中提取的植被信息合并到个层中，即可得到植被分类的结果图。浓密草地稀疏草地其他疏林地行道树有林地第页共页图植被分类结果图基于像元的信息提取对于高分辨率遥感影像来说......”。

3、以下这些语句在语言表达上出现了多方面的问题，包括语法错误、标点符号使用不规范、句子结构不够流畅，以及内容阐述不够详尽和全面——“.....而非监督分类是种自底向上的数据驱动方法。比较常用的监督分类法有最小距离法费歇尔线性判别分类法最大似然比分类法平行六面体法马氏距离法波谱角度制图以及二进制编码方法等。常用的非监督分类法有分类集群法波谱特征曲线图形识别法平行管道分类动态聚类法第页共页，和法。监督分类监督分类又称训练分类法，是通过选择有代表性的地物类别已知的训练数据来训练分类器，再用训练好的分类器对未知地区影像数据进行自动分类的方法，即用被确认类别的样本像元去识别其他未知类别像元的过程。这种分类方法可以根据实际的目的来决定所分的类别数量，能避免大量的数据冗余结合分类者的实际知识及经验来控制训练样本的选择，能过提高分类精度。非监督分类非监督分类，也称为聚类分析或点群分析。即在多光谱图像中搜寻定义其自然相似光谱集群组的过程，其前提是假定影像上同类物体在同样条件下具有相同的光谱信息特征。非监督分类方法不必对影像地物获取先验知识，不需要人工选择训练样本，仅需极少的人工初始输入......”。

4、以下这些语句该文档存在较明显的语言表达瑕疵，包括语法错误、标点符号使用不规范，句子结构不够顺畅，以及信息传达不充分，需要综合性的修订与完善——“.....方便快捷，操作简单，减小噪声影响，综合考虑全局，使分类结果更加客观。多尺度分割生成多个对象层，便于对地物的分类提取。使用基于像元的方法进行提取实验，得到的结果精度明显低于多尺度分割的提取方法。因此，面向对象的分类方法对高分辨率遥感影像的信息提取有着极大优势。面向对象的分类方法中的多尺度分割技术，虽然对地物的提取有着较高的精度，但是我们还没有种很理想的模型适用于高分辨率影像中所有地物类型最优尺度的计算。在现有的最优分割尺度模型中，没有将所有的分割因子全部体现出来，只考虑了地物特征，无法综合体现全局。因此，基于面向对象方法多尺度分割的参数以及尺度的选择模型的建立将是未来高分辨率影像信息提取研究的重要发展方向。参考文献，第页共页，衣燕遥感影像分析中面向对象分类方法的研究内江科技，苏簪铀基于面向对象分类技术的景观信息提取研究遥感信息，张秀英，杨敏华面向对象遥感分类新技术在第二次土地调查中的应用遥感应用......”。

5、以下这些语句存在多种问题，包括语法错误、不规范的标点符号使用、句子结构不够清晰流畅，以及信息传达不够完整详尽——“.....为了验证面向对像的方法在高分辨率影像信息提取中的优越性，我们采用传统的基于像元的分类方法对高分辨率影像进行分类试验，最后将二者的分类结果与精度进行比较，从而验证结论的科学性。基于像元的分类方法有很多种，我们采用支持向量机的方法对高分辨率影像中的九类地物进行分类实验，分类结果如图所示。所谓支持向量机的方法就是种基于统计学理论而提出来的种机器学习方法，具有数学理论完备全局优化性能好泛化能力强算法复杂与特征空间维数无关等优点。支持向量机的方法由于采用了结构风险最小化原理，较好的解决了人工神经网络等方法的网络结构难以确定过学习和欠学习以及局部极小等问题，因此被认为是目前针对小样本的分类和回归问题的最佳方法。它更适合于遥感图像分类和盐渍化信息检测。图基于像元的分类结果精度评定及结果分析我们采用了面向对象的分类方法和基于像元的分类方法对对影像进行分类实验，其中面向对象方法分别进行多尺度分割提取。精度评价见表表......”。

6、以下这些语句存在多方面的问题亟需改进，具体而言：标点符号运用不当，句子结构条理性不足导致流畅度欠佳，存在语法误用情况，且在内容表述上缺乏完整性。——“.....再统计特征的差别来达到分类目的，最后对已分出各个类别的实际属性进行确认。经过长期发展，目前已形成了近百种不同的监督分类方法。由于非监督分类不需要分析者选择训练样本，只需要其具有对非监督分类所得结果的解释能力，故对分析者的经验要求较低主观因素影响小，在非监督分类过程中只需要分析者预先定义几个参数，如分类数目分类类别等。即使分析者对图像有很强的看法偏差，也不会对分类结果有很大影响，因此非监督分类可以产生比监督分类更均质的图像与监督分类相比，非监督分类不需要分析者对研究区域有很好的了解，因而可以节省大量的人力时间等在非监督分类中，独特的覆盖量很小的类别也能够被识别，而不至于像监督分类中由于分析者的失误造成有用信息的丢失。基于面向对象的提取方法高分辨率图像的光谱分辨率并不高，往往其几何纹理的信息丰富，图像地物景观的结构形状纹理和细节等信息都非常突出。由于基于像元的遥感影像信息提取方法存在着不可忽视的弊端和局限，对于高分辨率遥感影像来说......”。

7、以下这些语句存在标点错误、句法不清、语法失误和内容缺失等问题，需改进——“.....至今应用较为广泛，技术上发展的也比较成熟，主要包括两种，监督分类和非监督分类。监督监督分类是自顶向下的知识驱动法，先进行训练再进行分类，即先学习再分类法，而非监督分类是种自底向上的数据驱动方法。的分类方法是种传统的分类方法，至今应用较为广泛，技术上发展的也比较成熟，主要包括两种，监督分类和非目前应用较多的遥感解译方法体上有两种基于像元和面向对象。基于像元部分内容简介形成复合影像，对影像区高中低层建筑物进行了分类，研究表明由融合图像高程信息和纹理信息参与的分类结果精度最高，对高层建筑物分类的精度可达。基于像元的信息提取方法遥感影像分类是遥感图像处理系统的核心功能之，也是信息提取的重要环节，它实现了基于遥感数据的地理信息提取。目前应用较多的遥感解译方法体上有两种基于像元和面向对象。基于像元的分类方法是种传统的分类方法，至今应用较为广泛，技术上发展的也比较成熟，主要包括两种，监督分类和非监督分类。监督分类是自顶向下的知识驱动法，先进行训练再进行分类......”。

8、以下文段存在较多缺陷，具体而言：语法误用情况较多，标点符号使用不规范，影响文本断句理解；句子结构与表达缺乏流畅性，阅读体验受影响——“.....分类总精度可达，而用基于像元的方注进行分类，分类精度只有，信息提取的精度较低。浓密草地稀疏草地道路房屋裸地疏林地水体行道树有林地第页共页表面向对象的方法植被提取混淆矩阵浓密草地稀疏草地有林地疏林地行道树总样本数浓密草地稀疏草地有林地疏林地行道树总样本数总精度表基于像元的方法提取混淆矩阵水体裸地浓密草地有林地道路房屋稀疏草地疏林地行道树总样本数水体裸地浓密草地有林地道路房屋稀疏草地疏林地行道树总样本数总精度从实验结果中，我们可以看出使用面向对象的方法进行地物提取精度明显第页共页高于基于像元的分类提取方法。多尺度分割的方法使得各类地物在分割后融合的效果达到了理想的状态，综合分类效果达到了最佳。面向对象的多尺度分割提取方法给了我们想要的结果。结论与展望本文采用面向对象的分类方法，研究了多尺度分割的技术流程，为高分辨率遥感影像的信息提取提供了种新的方法。虽然说这种方法对高分辨率遥感影像的信息提取有较高精度，但是它也存在着定的缺点和不足......”。

9、以下这些语句存在多方面瑕疵，具体表现在：语法结构错误频现，标点符号运用失当，句子表达欠流畅，以及信息阐述不够周全，影响了整体的可读性和准确性——“.....宋晓宇，单新建高分辨率卫星影像在城市建筑物识别中的初步应用应用技术，刘湘南遥感数字图像处理与分析吉林吉林大学出版社，曹宝......”。